مدل هوشمند

این پژوهش، در سه فاز اجرا شده است. در فاز اول، مفهوم استعداد مورد مطالعه قرار گرفته و استعداد از 4 منظر الگوهای تکرار شونده افکار، رفتار و احساسات، دانش، تجربه و ویژگی های فردی، جهت اولویت بندی و سنجش انتخاب شده اند. برای اولویت بندی معیارها از 22 نفر خبرگان مرکز آمار ایران، نظر سنجی شده و اوزان معیارها با روش آنتروپی شانون محاسبه گردید. در فاز دوم، بر اساس اوزان معیارها، درجه تناسب شغل و شاغل برای 193 نفر از کارمندان مرکز آمار ایران در 139 شغل منحصربفرد و در 3 سطح عملیاتی، میانی و ارشد، محاسبه شده است. در نهایت در فاز سوم، از نتایج به دست آمده از فازقبل، یک بانک داده به منظور اجرای داده کاوی تشکیل شد و 21 مدل با رویکرد درخت تصمیم، تشکیل گردید و 147 قاعده از آنها استخراج شدند. در نهایت 14 قاعده که از بالاترین احتمال برخوردار بودند، با هدف افزایش تناسب شغل و شاغل انتخاب گردیدند. مقایسه نتایج فاز اول و سوم نشان می دهد که علیرغم تأکید خبرگان بر اهمیت دیگر معیارها در تناسب شغل و شاغل، در واقعیت تناسب از منظر دانش و تجربه در تناسب شغل و شاغل تأثر بیشتری دارند.

مدیریت ریسک در زنجیره تأمین یکی از چالش های مهم در دنیای کسب وکار است که تأثیر زیادی بر عملکرد سازمان ها دارد. در این تحقیق، مدل هوشمند مدیریت ریسک در زنجیره تأمین با استفاده از تکنیک های یادگیری ماشین طراحی شده است. هدف از این مدل، شناسایی و ارزیابی ریسک ها، پیش بینی اثرات آن ها و ارائه راهکارهای بهینه سازی استراتژی ها با توجه به داده های بزرگ و پیچیده است. با استفاده از الگوریتم های یادگیری ماشین مانند درخت تصمیم، شبکه های عصبی و ماشین های بردار پشتیبان، مدل پیشنهادی قادر است ریسک ها را به صورت دقیق تر و سریع تر شبیه سازی و پیش بینی کند. نتایج این تحقیق نشان می دهند که این مدل هوشمند می تواند در بهبود تصمیم گیری ها و افزایش تاب آوری زنجیره تأمین مؤثر باشد. در نهایت، این مدل به سازمان ها کمک می کند تا ریسک ها را به نحو مؤثری مدیریت کرده و هزینه های ناشی از بحران ها را کاهش دهند. این مطالعه می تواند به عنوان پایه ای برای تحقیقاتی بیشتر در زمینه به کارگیری یادگیری ماشین در مدیریت ریسک زنجیره تأمین مورد استفاده قرار گیرد.

طراحی یک مدل هوشمند اعطای تسهیلات بانکی می تواند بسیار از دغدغه ها و نگرانیهای سیستم بانکی را در خصوص بازپرداخت وامهای اعطای شده و افزایش وامهای غیر عملیاتی را کاهش دهد. برای این منظور لازم است با بهره گیری از الگوریتمهای هوش مصنوعی چنین مدلی طراحی شود. در این تحقیق هدف طراحی یک مدل اعطای تسهیلات بانکی هوشمند بر اساس کلان داده و بر اساس مشخصه های جمعیت شناختی وضعیت کسب و کار و پرداختهای گذشته مشتریان می باشد. مدل شامل 12 متغیر بود که داده های آن از سیستم بانکی جمع اوری شده و سپس با کمک الگوریتمهای یادگیری ماشین پیاده سازی شد. سه الگوریتم کا نزدیکترین همسایه، درخت تصمیم و جنگل تصادفی در تحقیق حاضر استفاده شد که نتایج نشان می دهد الگوریتم درخت تصمیم با دقت 99.6 درصد در بالاترین سطح قادر به پیش بینی رفتار بازپرداخت مشتریان بوده و این امر نشان می دهد که متغیرهای 12 گانه معرفی شده تا بیش از 99 درصد می توانند بازپرداخت مشتریان را بر اساس سه دسته مشتریان با ریسک بالا، متوسط و ریسک اندک دسته بندی نمایند.